基于物理学的网络微调，从高通滤波相位中获取鲁棒的量化磁化率图

May, 2023

基于物理学的网络微调，从高通滤波相位中获取鲁棒的量化磁化率图

Physics-based network fine-tuning for robust quantitative susceptibility mapping from high-pass filtered phase

Jinwei Zhang, Alexey Dimov, Chao Li, Hang Zhang, Thanh D. Nguyen...

TL;DR该论文介绍了一种卷积神经网络（CNN）的改进方法，该方法使用基于物理的微调过程和渐进式 Unet 网络结构从高通滤波的相位（HPFP）图像中精确预测定量磁化率映射（QSM），并提高了模型的鲁棒性。

Abstract

Purpose: To improve the generalization ability of convolutional neural network (CNN) based prediction of quantitative susceptibility mapping (QSM) from high-pass filtered phase (HPFP) image. Methods: The proposed

convolutional neural network quantitative susceptibility mapping high-pass filtered phase fine-tuning unet

发现论文，激发创造

IR2QSM：通过深度神经网络和迭代反馈连接与循环模块进行定量磁敏感成像

本文提出了一种基于深度学习的 IR2QSM 方法，通过四次迭代的反向连接和中间循环模块增强 U-net 的设计，极大地改善了潜在特征利用效率，实验结果显示，IR2QSM 相比其他方法能够更准确地获取 QSM 图像，并减轻了伪影问题。

Jun, 2024

超声照明的全球和本地知识网络配合，进行细粒度完善

该研究提出了一种超声图像去噪的全局与局部知识网络，并加入了细粒度的改进，以提高图像质量和性能。实验证明，该模型在定量指标和视觉性能上具有竞争力。

Oct, 2023

空间频率 U-Net 用于去噪扩散概率模型

本研究使用 SFUNet 架构，以小波域而非像素空间中的 denoising diffusion probabilistic model (DDPM) 进行图像合成，通过捕捉空频域的相关性来改进像素数据的标准去噪 U-Net 结构，从而提高 CIFAR-10、FFHQ、LSUN-Bedroom 和 LSUN-Church 数据集上的图像合成质量。

Jul, 2023

一种用于 MRI 偏差场校正的概率哈达迈尔 U-Net

该论文提出了一种用于前列腺 MRI 偏置场校正的概率 Hadamard U-Net（PHU-Net）方法，通过引入新颖的 Hadamard U-Net（HU-Net）提取低频标量场，在频域中使用可训练过滤器、硬阈值化层和稀疏性惩罚消除高频组分，结合条件变分自编码器将偏置场校正形式编码到低维潜在空间中，通过与校正后原型图像相结合生成多个合理的图像，实验证明 PHU-Net 在快速推理速度下有效地纠正了前列腺 MRI 中的偏置场，并提高了前列腺 MRI 分割准确性。

Mar, 2024

基于模型的深层图像先验的定量易感性映射

基于模型的深度图像先验 (MoDIP) 是一种新颖的训练无关的无监督方法，利用小型未经训练的网络和数据保真度优化模块来解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在解决不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，对于病理性脑 QSM 的鲁棒性提升了超过 32% 的准确度，比受监督深度学习和传统迭代方法提高了 33% 的计算效率并且运行速度比常规的基于 DIP 的方法快 4 倍，使得 3D 高分辨率图像重建在 4.5 分钟内完成。

Aug, 2023

用于条纹图案滤波和归一化的深度神经网络

本研究提出了一种基于深度神经网络的新的凹凸条纹图案 FP 去噪和标准化的框架，并使用 U-net，V-net 模型对其进行模拟和改良，对不同噪声和分布的 FP 进行实验评估，证明其重要性和潜力。

Jun, 2019

物理学知识卷积神经网络生成具有通用性的合成磁共振图像

本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

May, 2023

面向广义欠采样 MRI 重建的物理深度神经网络

通过引入基于物理原理的 DNN 架构和训练方法来提高 DNN 方法在 MRI 重建中的泛化能力，该方法通过采用不同的欠采样蒙版产生的数据来鼓励模型推广 MRI 重建问题，在 Fast-MRI 数据集上的实验结果表明，我们的方法在解决 MRI 重建中的艰难问题方面比传统方法有更好的应用前景。

Aug, 2022

残差乘性滤波网络用于多尺度重建

通过引入跳连接和新的初始化方案，我们提出了一种新的坐标网络架构和训练方案，实现了对学习重建的频率支持的细粒度控制，并在多尺度优化的背景下解决了粗到中等估计的问题，该方法在单粒子冷冻电镜重建的实验中，取得了与最先进技术相媲美的高分辨率多尺度结构。

Jun, 2022

发展一种新的量子前处理滤波器以提高神经网络模型的图像分类准确性

本论文提出了一种新颖的量子预处理过滤器（QPF），以提高神经网络模型的图像分类准确性。通过应用 QPF 方法，研究结果表明，在 MNIST 数据集和 EMNIST 数据集上，基于手写数字和字母的图像分类准确性分别从 92.5% 提高到 95.4% 和从 68.9% 提高到 75.9%。在机器学习过程中，这些改进是在没有引入额外模型参数或优化的情况下实现的。然而，对于包含 43 个不同类别真实交通标志图像的相对复杂的 GTSRB 数据集，测试结果显示分类准确性有所降低。考虑到这一结果，进一步研究量子电路适用于图像分类神经网络的理解和设计，可以利用本论文中提出的基准方法。

Aug, 2023